物品信息推送方法、装置、电子设备和计算机可读介质与流程

1.本公开的实施例涉及计算机领域，具体涉及物品信息推送方法、装置、电子设备和计算机可读介质。


背景技术：

2.物品应用平台常常通过用户历史数据来为用户推荐可能感兴趣的物品。目前，物品应用平台为新用户推荐感兴趣的物品，通常采用的方式为：根据业务规则，确定新用户的用户类型，将用户类型所对应的各个物品确定为新用户可能感兴趣的物品。
3.然而，采用上述方式通常会存在如下技术问题：
4.第一，由于业务规则为人为设定的，导致为新用户推送的物品不准确，浪费了新用户浏览物品信息的时间；
5.第二，未考虑新用户与物品应用平台的历史用户之间的关联关系，导致所推送的物品无法满足新用户的浏览需求，造成新用户浏览时间的浪费。


技术实现要素：

6.本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
7.本公开的一些实施例提出了物品信息推送方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
8.第一方面，本公开的一些实施例提供了一种物品信息推送方法，该方法包括：根据多个行为用户中每个行为用户对应的用户属性信息组和用户物品关联结点图，生成用户属性向量和兴趣物品向量，得到用户属性向量集和兴趣物品向量集，其中，上述用户物品关联结点图表示行为用户与物品之间存在关联关系；对上述用户属性向量集进行聚类处理，以生成用户属性向量簇组；从上述用户属性向量簇组中选择对应目标用户属性向量的用户属性向量簇作为目标用户属性向量簇，其中，上述目标用户属性向量为：目标无行为用户对应的用户属性向量；从上述兴趣物品向量集中选择出对应上述目标用户属性向量簇的兴趣物品向量作为备选兴趣物品向量，得到备选兴趣物品向量组；根据上述备选兴趣物品向量组，生成对应上述目标无行为用户的目标兴趣物品向量，以及将上述目标兴趣物品向量对应的各个物品信息推送至目标终端。
9.第二方面，本公开的一些实施例提供了一种物品信息推送装置，装置包括：第一生成单元，被配置成根据多个行为用户中每个行为用户对应的用户属性信息组和用户物品关联结点图，生成用户属性向量和兴趣物品向量，得到用户属性向量集和兴趣物品向量集，其中，上述用户物品关联结点图表示行为用户与物品之间存在关联关系；聚类单元，被配置成对上述用户属性向量集进行聚类处理，以生成用户属性向量簇组；第一选择单元，被配置成从上述用户属性向量簇组中选择对应目标用户属性向量的用户属性向量簇作为目标用户
属性向量簇，其中，上述目标用户属性向量为：目标无行为用户对应的用户属性向量；第二选择单元，被配置成从上述兴趣物品向量集中选择出对应上述目标用户属性向量簇的兴趣物品向量作为备选兴趣物品向量，得到备选兴趣物品向量组；第二生成单元，被配置成根据上述备选兴趣物品向量组，生成对应上述目标无行为用户的目标兴趣物品向量，以及将上述目标兴趣物品向量对应的各个物品信息推送至目标终端。
10.第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或至少一个处理器；存储装置，其上存储有一个或至少一个程序，当一个或至少一个程序被一个或至少一个处理器执行，使得一个或至少一个处理器实现上述第一方面任一实现方式所描述的方法。
11.第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
12.本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的物品信息推送方法，提升了为新用户推送的物品的准确性，避免了新用户浏览物品信息的时间的浪费。具体来说，浪费了新用户浏览物品信息的时间的原因在于：由于业务规则为人为设定的，导致为新用户推送的物品不准确，浪费了新用户浏览物品信息的时间。基于此，本公开的一些实施例的物品信息推送方法，首先，根据多个行为用户中每个行为用户对应的用户属性信息组和用户物品关联结点图，生成用户属性向量和兴趣物品向量，得到用户属性向量集和兴趣物品向量集。由此，通过生成用户属性向量集和兴趣物品向量集，便于后续确定与新用户(目标无行为用户)对应用户属性信息相似的至少一个行为用户。其次，对上述用户属性向量集进行聚类处理，以生成用户属性向量簇组。由此，可以对各个历史用户(行为用户)进行分类，将用户属性信息相似的行为用户归为一类，便于后续确定上述至少一个行为用户。接着，从上述用户属性向量簇组中选择对应目标用户属性向量的用户属性向量簇作为目标用户属性向量簇。其中，上述目标用户属性向量为：目标无行为用户对应的用户属性向量。由此，可以选择出与目标无行为用户相似的各个行为用户。然后，从上述兴趣物品向量集中选择出对应上述目标用户属性向量簇的兴趣物品向量作为备选兴趣物品向量，得到备选兴趣物品向量组。由此，可以确定出与目标无行为用户相似的各个行为用户的兴趣物品向量，便于确定目标无行为用户感兴趣的物品信息。最后，根据上述备选兴趣物品向量组，生成对应上述目标无行为用户的目标兴趣物品向量，以及将上述目标兴趣物品向量对应的各个物品信息推送至目标终端。由此，可以利用与目标无行为用户相似的各个行为用户的兴趣物品向量，确定出目标无行为用户的目标兴趣物品向量。从而，使得所推送的物品信息更为准确，提升了为新用户推送的物品的准确性，避免了新用户浏览物品信息的时间的浪费。
附图说明
13.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
14.图1是根据本公开的物品信息推送方法的一些实施例的流程图；
15.图2是根据本公开的物品信息推送方法中用户物品关联结点图的示意图；
16.图3是根据本公开的物品信息推送装置的一些实施例的结构示意图；
17.图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
18.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
19.另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
20.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
21.需要注意，本公开中提及的“一个”、“至少一个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或至少一个”。
22.本公开实施方式中的至少一个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
23.下面将参考附图并结合实施例来详细说明本公开。
24.图1是根据本公开一些实施例的物品信息推送方法的一些实施例的流程图。示出了根据本公开的物品信息推送方法的一些实施例的流程100。该物品信息推送方法，包括以下步骤：
25.步骤101，根据多个行为用户中每个行为用户对应的用户属性信息组和用户物品关联结点图，生成用户属性向量和兴趣物品向量，得到用户属性向量集和兴趣物品向量集。
26.在一些实施中，物品信息推送方法的执行主体(例如，计算设备)可以根据多个行为用户中每个行为用户对应的用户属性信息组和用户物品关联结点图，生成用户属性向量和兴趣物品向量，得到用户属性向量集和兴趣物品向量集。其中，上述用户物品关联结点图表示行为用户与物品之间存在关联关系。其中，多个行为用户中的行为用户可以是在物品应用平台上浏览物品信息的用户。用户属性向量可以是表征行为用户的属性信息的向量。行为用户的属性信息可以包括但不限于以下至少一项用户属性值：身高信息，年龄信息，学历信息，性别信息，地域信息。兴趣物品向量可以是表征行为用户感兴趣的多个物品的向量。用户物品关联结点图可以包括多个用户物品关联结点。多个用户物品关联结点可以包括用户属性向量对应的节点和至少一个物品向量对应的至少一个节点。上述用户属性向量对应的节点和上述至少一个物品向量对应的至少一个节点之间使用连接线连接。上述连接线可以表征上述用户属性向量与物品向量之间存在关联关系。如图2所示，多个用户物品关联结点可以包括用户属性向量对应的节点201、物品向量对应的节点202、物品向量对应的节点203。物品向量对应的节点202对应的物品信息可以为电脑。物品向量对应的节点203对应的物品信息可以为相机。节点201与节点202、节点203之间用连接线连接。
27.实践中，根据多个行为用户中每个行为用户对应的用户属性信息组和用户物品关联结点图，上述执行主体可以通过以下步骤生成用户属性向量和兴趣物品向量：
28.第一步，对上述用户属性信息组中为连续特征的用户属性信息进行归一化处理，以生成归一化用户属性信息，得到归一化用户属性信息组。这里，归一化处理可以是指批量
归一化(batch normalization)处理。其中，连续特征的用户属性信息可以是包括的用户属性值为连续数值的用户属性信息。例如，连续特征的用户属性信息可以是行为用户的身高信息。
29.第二步，将上述归一化用户属性信息组与目标用户属性信息组进行拼接处理，以生成拼接用户属性信。其中，上述目标用户属性信息组为上述用户属性信息组中为离散特征的各个用户属性信息。离散特征的用户属性信息可以是包括的用户属性值为离散数值的用户属性信息。例如，离散特征的用户属性信息可以是用户的性别信息。
30.第三步，对上述拼接用户属性信息进行向量编码处理，以生成拼接用户属性信息向量，作为用户属性向量。实践中，上述执行主体可以通过向量编码模型对上述拼接用户属性信息进行向量编码处理，以生成拼接用户属性信息向量，作为用户属性向量。这里，向量编码模型可以是bert编码模型。
31.第四步，将上述用户物品关联结点图输入至预先训练的图神经网络，得到兴趣物品向量。这里，图神经网络可以是图神经网络(gcn，graph convolutional network)。
32.步骤102，对上述用户属性向量集进行聚类处理，以生成用户属性向量簇组。
33.在一些实施例中，上述执行主体可以通过k均值聚类算法(k-means clustering algorithm)对上述用户属性向量集进行聚类处理，以生成用户属性向量簇组。其中，上述k均值聚类算法对应的向量簇数目可以是预先设置的。用户属性向量簇中的各个用户属性向量较为相似。
34.在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤对上述用户属性向量集进行聚类处理，以生成用户属性向量簇组：
35.第一步，确定上述用户属性向量集中用户属性向量所关联的用户属性集。可以将上述用户属性向量集中用户属性向量所表征的各个用户属性确定为用户属性集。其中，用户属性向量是基于用户属性集中各个用户属性的属性信息生成的。例如，用户属性可以是身高信息，年龄信息等。
36.第二步，将上述用户属性集包括的用户属性的数量确定为用户属性数量。
37.第三步，将上述多个行为用户包括的各个行为用户的数量确定为行为用户数量。
38.第四步，根据上述用户属性数量和上述行为用户数量，确定簇数量。首先，可以将上述用户属性数量和上述行为用户数量的乘积确定为用户属性总数量。然后，可以将对上述用户属性总数量进行开根号处理，以将开根号后的用户属性总数量作为簇数量。
39.第五步，根据上述簇数量，对上述用户属性向量集进行聚类处理以生成用户属性向量簇组。
40.实践中，根据上述簇数量，上述执行主体可以通过以下子步骤对上述用户属性向量集进行聚类处理，以生成用户属性向量簇组：
41.第一子步骤，从用户属性向量集中随机选择簇数量个用户属性向量作为初始簇数量个簇中心向量。
42.第二子步骤，确定每个用户属性向量到初始簇数量个簇中心向量间的距离。
43.第三子步骤，分别将每个用户属性向量划分到与初始簇数量个簇中心向量间距离最近的簇中心所对应的初始用户属性向量簇，得到初始用户属性向量簇集。
44.第四子步骤，确定初始用户属性向量簇集中每个初始用户属性向量簇对应的簇中
心向量。其中，簇中心向量为初始用户属性向量簇中各个用户属性向量对应的平均向量。
45.第五子步骤，确定初始用户属性向量簇集中每个初始用户属性向量簇对应的簇中心向量是否发生改变。即，上述初始用户属性向量簇对应的簇中心向量与初始确定的对应上述初始用户属性向量簇对应的簇中心向量是否相同。
46.第六子步骤，响应于确定未发生改变，将初始用户属性向量簇集确定为用户属性向量簇组。
47.步骤103，从上述用户属性向量簇组中选择对应目标用户属性向量的用户属性向量簇作为目标用户属性向量簇。
48.在一些实施例中，上述执行主体可以从上述用户属性向量簇组中选择对应目标用户属性向量的用户属性向量簇作为目标用户属性向量簇。其中，上述目标用户属性向量为：目标无行为用户对应的用户属性向量。目标无行为用户为待确定对应兴趣物品向量的无行为用户。无行为用户可以是物品应用平台中的新用户，或第一次查看物品应用平台中物品的新用户。
49.实践中，上述执行主体可以通过以下步骤从上述用户属性向量簇组中选择对应目标用户属性向量的用户属性向量簇作为目标用户属性向量簇：
50.第一步，确定上述用户属性向量簇组中每个用户属性向量簇的簇中心向量，得到簇中心向量组。
51.第二步，确定上述簇中心向量组中每个簇中心向量与上述目标用户属性向量之间的向量距离，得到向量距离组。实践中，上述执行主体可以通过向量距离公式确定上述簇中心向量组中每个簇中心向量与上述目标用户属性向量之间的向量距离，得到向量距离组。这里，向量距离公式可以是欧式距离公式。
52.第三步，将上述向量距离组中最小的向量距离确定为目标向量距离。
53.第四步，将上述目标向量距离对应的簇中心向量确定为目标簇中心向量。
54.第五步，将上述目标簇中心向量对应的用户属性向量簇确定为目标用户属性向量簇。
55.步骤103的可选的中的相关内容作为本公开的一个发明点，由此解决了背景技术提及的技术问题二“未考虑新用户与物品应用平台的历史用户之间的关联关系，导致所推送的物品无法满足新用户的浏览需求，造成新用户浏览时间的浪费。”。造成新用户浏览时间的浪费的因素往往如下：未考虑新用户与物品应用平台的历史用户之间的关联关系，导致所推送的物品无法满足新用户的浏览需求，造成新用户浏览时间的浪费。如果解决了上述因素，就能达到减少新用户浏览时间的浪费的效果。首先，确定上述用户属性向量簇组中每个用户属性向量簇的簇中心向量，得到簇中心向量组。由此，为后续选择与新用户(目标无行为用户)相似的行为用户，提供了数据支持。其次，确定上述簇中心向量组中每个簇中心向量与上述目标用户属性向量之间的向量距离，得到向量距离组。由此，便于选择与新用户(目标无行为用户)相似的行为用户。接着，将上述向量距离组中最小的向量距离确定为目标向量距离。然后，将上述目标向量距离对应的簇中心向量确定为目标簇中心向量。由此，可以确定与新用户(目标无行为用户)最相似的行为用户。最后，将上述目标簇中心向量对应的用户属性向量簇确定为目标用户属性向量簇。从而，便于后续利用与新用户(目标无行为用户)相似的行为用户的感兴趣物品，确定出新用户的感兴趣物品。从而，便于后续所
推送的物品满足新用户的浏览需求，减少新用户浏览时间的浪费。
56.步骤104，从上述兴趣物品向量集中选择出对应上述目标用户属性向量簇的兴趣物品向量作为备选兴趣物品向量，得到备选兴趣物品向量组。
57.在一些实施例中，上述执行主体可以从上述兴趣物品向量集中选择出对应上述目标用户属性向量簇的兴趣物品向量作为备选兴趣物品向量，得到备选兴趣物品向量组。实践中，可以将上述目标用户属性向量簇中每个目标用户属性向量对应的兴趣物品向量作为备选兴趣物品向量，得到备选兴趣物品向量组。
58.步骤105，根据上述备选兴趣物品向量组，生成对应上述目标无行为用户的目标兴趣物品向量，以及将上述目标兴趣物品向量对应的各个物品信息推送至目标终端。
59.在一些实施例中，上市执行主体可以根据上述备选兴趣物品向量组，生成对应上述目标无行为用户的目标兴趣物品向量，以及将上述目标兴趣物品向量对应的各个物品信息推送至目标终端。这里，目标终端可以是指登录了目标无行为用户的账号的终端。
60.实践中，上述执行主体可以将上述备选兴趣物品向量组包括的各个备选兴趣物品向量的平均值确定为目标兴趣物品向量。
61.实践中，上述执行主体可以通过以下步骤将上述目标兴趣物品向量对应的各个物品信息推送至目标终端：
62.第一步，根据上述目标兴趣物品向量，生成上述目标无行为用户对应的各个兴趣物品的物品信息。实践中，可以将上述目标兴趣物品向量所表征的各个物品信息确定为上述目标无行为用户对应的各个兴趣物品的物品信息。实践中，上述执行主体还可以将上述目标兴趣物品向量输入至解码网络，得到各个兴趣物品的物品信息。上述解码网络可以是cnn(convolutional neural network，卷积神经网络)。
63.第二步，将上述各个兴趣物品的物品信息推送至上述目标终端。
64.本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的物品信息推送方法，提升了为新用户推送的物品的准确性，避免了新用户浏览物品信息的时间的浪费。具体来说，浪费了新用户浏览物品信息的时间的原因在于：由于业务规则为人为设定的，导致为新用户推送的物品不准确，浪费了新用户浏览物品信息的时间。基于此，本公开的一些实施例的物品信息推送方法，首先，根据多个行为用户中每个行为用户对应的用户属性信息组和用户物品关联结点图，生成用户属性向量和兴趣物品向量，得到用户属性向量集和兴趣物品向量集。由此，通过生成用户属性向量集和兴趣物品向量集，便于后续确定与新用户(目标无行为用户)对应用户属性信息相似的至少一个行为用户。其次，对上述用户属性向量集进行聚类处理，以生成用户属性向量簇组。由此，可以对各个历史用户(行为用户)进行分类，将用户属性信息相似的行为用户归为一类，便于后续确定上述至少一个行为用户。接着，从上述用户属性向量簇组中选择对应目标用户属性向量的用户属性向量簇作为目标用户属性向量簇。其中，上述目标用户属性向量为：目标无行为用户对应的用户属性向量。由此，可以选择出与目标无行为用户相似的各个行为用户。然后，从上述兴趣物品向量集中选择出对应上述目标用户属性向量簇的兴趣物品向量作为备选兴趣物品向量，得到备选兴趣物品向量组。由此，可以确定出与目标无行为用户相似的各个行为用户的兴趣物品向量，便于确定目标无行为用户感兴趣的物品信息。最后，根据上述备选兴趣物品向量组，生成对应上述目标无行为用户的目标兴趣物品向量，以及将上述目标兴趣物品向量对
应的各个物品信息推送至目标终端。由此，可以利用与目标无行为用户相似的各个行为用户的兴趣物品向量，确定出目标无行为用户的目标兴趣物品向量。从而，使得所推送的物品信息更为准确，提升了为新用户推送的物品的准确性，避免了新用户浏览物品信息的时间的浪费。
65.进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种物品信息推送装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
66.如图3所示，一些实施例的物品信息推送装置300包括：第一生成单元301、聚类单元302、第一选择单元303、第二选择单元304和第二生成单元305。其中，第一生成单元301，被配置成根据多个行为用户中每个行为用户对应的用户属性信息组和用户物品关联结点图，生成用户属性向量和兴趣物品向量，得到用户属性向量集和兴趣物品向量集，其中，上述用户物品关联结点图表示行为用户与物品之间存在关联关系；聚类单元302，被配置成对上述用户属性向量集进行聚类处理，以生成用户属性向量簇组；第一选择单元303，被配置成从上述用户属性向量簇组中选择对应目标用户属性向量的用户属性向量簇作为目标用户属性向量簇，其中，上述目标用户属性向量为：目标无行为用户对应的用户属性向量；第二选择单元304，被配置成从上述兴趣物品向量集中选择出对应上述目标用户属性向量簇的兴趣物品向量作为备选兴趣物品向量，得到备选兴趣物品向量组；第二生成单元305，被配置成根据上述备选兴趣物品向量组，生成对应上述目标无行为用户的目标兴趣物品向量，以及将上述目标兴趣物品向量对应的各个物品信息推送至目标终端。
67.可以理解的是，该装置300中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。
68.下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备400的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
69.如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(rom)402中的程序或者从存储装置408加载到随机访问存储器(ram)403中的程序而执行各种适当的动作和处理。在ram 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、rom402以及ram403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。
70.通常，以下装置可以连接至i/o接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表至少一个装置。
71.特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从rom402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。
72.需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或至少一个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
73.在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
74.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者至少一个程序，当上述一个或者至少一个程序被该电子设备执行时，使得该电子设备：根据多个行为用户中每个行为用户对应的用户属性信息组和用户物品关联结点图，生成用户属性向量和兴趣物品向量，得到用户属性向量集和兴趣物品向量集，其中，上述用户物品关联结点图表示行为用户与物品之间存在关联关系；对上述用户属性向量集进行聚类处理，以生成用户属性向量簇组；从上述用户属性向量簇组中选择对应目标用户属性向量的用户属性向量簇作为目标用户属性向量簇，其中，上述目标用户属性向量为：目标无行为用户对应的用户属性向量；从上述兴趣物品向量集中选择出对应上述目标用户属性向量簇的兴趣物品向量作为备选兴趣物品向量，得到备选兴趣物品向量组；根据上述备选兴趣物品向量组，生成对应上述目标无行为用户的目标兴趣物品向量，以及将上述目标兴趣物品向量对应的各个物品信息推送至目标终端。
75.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例
的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
76.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或至少一个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
77.描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一生成单元、聚类单元、第一选择单元、第二选择单元和第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一发送单元还可以被描述为“响应于检测到作用于上述提交控件的第一选择操作，将上述问答回复信息发送至上述教师终端的单元”。
78.本文中以上描述的功能可以至少部分地由一个或至少一个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
79.以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。